YOLOPOSE-2.loss修复及半自动标注自定义数据集（COCO-Annotator）

一、loss修复

具体原因我还没搞清楚，反正这个问题在自定义关键点时容易显现出来：左眼和左耳的预测点要么预测不到，要么偏到天上去。查阅资料发现很多人都遇到过这样的问题。如图所示：

综合了一些解决方案，修改了loss.py 的computeloss类的__call__函数中的内容：

kpt_loss_factor = (torch.sum(kpt_mask != 0) + torch.sum(kpt_mask == 0)) / (torch.sum(kpt_mask != 0) + 0.01)  # v0.1
# kpt_loss_factor = (torch.sum(kpt_mask != 0) + torch.sum(kpt_mask == 0)) / torch.sum(kpt_mask != 0) 尝试修复关键点飘的问题 v0.0
lkpt += kpt_loss_factor * (((1 - torch.exp(-d / (2 * (s * sigmas) ** 2 + 1e-9))) + 0.05 * d) * kpt_mask).mean()  # v0.1
# lkpt += kpt_loss_factor * ((1 - torch.exp(-d / (s * (4 * sigmas ** 2) + 1e-9))) * kpt_mask).mean() 尝试修复关键点飘的问题 v0.0

修改前后的loss对比：

总体loss也得到了明显下降：

二、半自动标注自定义数据集

关键点标注相对目标检测标注工作量大得多。我先尝试了labelme，发现并不好用：每个人的边界框与关键点信息并没有直接的关联；每标一个关键点就要选择一次标签名，效率极低。

查阅资料后发现coco-annotator可以直接标注coco格式的标签。可以为类person分别标注边界框和关键点，这就把每个人及其关键点捆绑到了一起。虽然官方说支持半监督标注，但并没有给出demo，也没有明确给出前端需要接收的json格式。最难受的是官方代码是用docker运行的，没办法调试。

于是我又查询了大量资料，也研究了下前端源码，终于实现了用yolopose实现半监督标注功能。详细文档在我的github上，欢迎各位使用，也希望各位能给个star，毕竟这个我搞了一天。

master686/Semi-supervised-keypoint-annotation-server-for-COCO-Annotator-with-YOLOPose- (github.com)